Se és um analista de marketing, conheces demasiado bem as expectativas em torno de uma tomada de decisão ágil e baseada em dados. A pressão para fornecer uma visão mais rápida da eficácia das campanhas recai directamente sobre os teus ombros, incluindo permitir uma tomada de decisão ágil para que as campanhas possam ser optimizadas. Mas porque é que os analistas de marketing não estão a analisar, não estão a trabalhar o suficiente, estão a fazer snowboard, a jogar ténis de paddle ou a trabalhar à distância com as suas séries favoritas em segundo plano?
A realidade é que eles passam a grande maioria dos seus dias (e noites) a relatar resultados, não a aconselhar sobre oportunidades futuras. Embora o acesso rápido a informação e insights seja inestimável, muitas empresas estão tão ocupadas a recolher, misturar e limpar dados que não têm tempo para agir.
Com tanto tempo gasto na preparação e mistura de dados, as empresas capazes de racionalizar e automatizar a geração e análise de relatórios não só desfrutarão de uma vantagem competitiva, como libertarão os analistas de dados para passarem mais tempo a gerar conhecimentos valiosos em vez de perderem tempo com os dados.
A Rotina de um Analista de Marketing
Vamos mergulhar no que pode ser o dia-a-dia de um analista de marketing:
7:50 AM: Começa o dia cedo para recolher alguns números para um relatório de dados agregados que a equipa de gestão necessita na sua reunião das 10 horas.
8:30 AM: Compreende que uma métrica chave para o seu relatório está nas mãos de alguém de outro departamento, e não chega antes das 9:00, se tiver sorte.
9:59 AM: Com um minuto de antecedência, envia a informação para a equipa de gestão superior. A OCM responde imediatamente, perguntando-lhe se pode juntar-se à reunião para explicar as suas conclusões. "Não se preocupe, não vai demorar muito.
12:00 PM: A reunião da equipa de gestão está finalmente terminada. Eles adoraram a tua métrica, onde lhes disseste como proceder com base nos dados... e agora estás duas horas atrasado.
12:10 PM: Volta-se para a sua tarefa principal do dia: um relatório mensal de síntese do desempenho. Está pronto para passar as próximas horas a retirar dados de folhas de cálculo, Google Analytics, Kissmetrics, uma base de dados personalizada e em qualquer outro lugar.
2:00 PM: Notam-se algumas semelhanças baseadas na localização nos dados. Se pudesse sobrepor facilmente os dados geoespaciais, este relatório passaria de espectacular a estelar, mas também significaria passar mais três dias usando o seu processo actual, por isso tem de saltar esse sistema de geolocalização inteligente por agora e voltar à cristalização de dados.
4:00 PM: Fala-se com um interveniente porque as suas métricas indicam uma versão da verdade diferente dos seus dados. Para identificar o problema, tem de se encontrar com ela em diferentes espaços livres do dia, que já estava cheio de reuniões. Finalmente, após três chamadas e meia, determinará onde se encontra o erro e reimportará os seus dados.
5:00 PM: O senhor acompanha com o Data Scientist interno num modelo de previsão que não está a funcionar como esperado. Sem saber como codificar, não se consegue identificar o problema.
5:45 PM: Depois de uma explicação do Data Scienctist, terá uma melhor compreensão do modelo e de como aplicá-lo desta vez, mas não será capaz de o replicar no futuro.
7:00 PM: Repara num erro de rotulagem numa folha de cálculo Excel, o que significa que todos os dados de uma fonte estão errados em duas filas. Os seus dados não estão limpos, e tem de refazer o relatório.
9:15PM: Está feito, tudo pronto. O relatório mensal está finalmente pronto mas, como todos os meses, fica com um sabor agridoce. O seu relatório poderia ter sido muito melhor se a maior parte do seu tempo não tivesse sido consumido na preparação e mistura de dados. "E se eu pudesse produzir uma melhor análise, mais rapidamente e com menos dores de cabeça?"
O que está a frear aos analistas de Marketing? Porque é que passam mais tempo a "mexer" com os dados do que a obter conhecimentos accionáveis?
1) Torrentes de dados que não se sabe como tratar
Os comerciantes são confrontados com uma inundação de dados que lhes chegam de fontes cada vez mais diversas, tais como Social Media, Google Analytics, remarketing, Nielsen, eventos e inúmeras outras fontes de dados.
A cada hora, as transacções dos clientes do Walmart fornecem à empresa cerca de 2,5 petabytes de dados.
À medida que a tecnologia evolui, o volume de dados recolhidos de clientes e utilizadores continuará a aumentar, resultando numa riqueza de dados sem precedentes. Os analistas de marketing já estão a lutar para aproveitar eficazmente os dados para a tomada de decisões; o que acontece quando o volume de dados cresce exponencialmente? De acordo com um estudo da IDC, é provável que a criação de dados aumente dez vezes para 163 zettabytes (zb) por ano até 2025.
A preocupação não é apenas o volume de dados; a complexidade dos dados é também um enorme desafio. Tem havido um aumento significativo na criação de dados não estruturados, tais como vídeo ou áudio, todos os quais devem ser armazenados e medidos.
Além disso, a quantidade crescente de dados é encontrada em sistemas díspares e através de múltiplos serviços. Os dados vivem actualmente em todo o lado, incluindo a nuvem, as redes sociais, fornecedores terceiros, bases de dados internas e silos em diferentes departamentos da mesma organização. Incluindo as caixas de entrada de centenas dos seus colegas.
Com base nestes dados caóticos e longínquos, espera-se que os marqueteiros conheçam os clientes e as perspectivas para tomarem decisões sobre estratégias de comunicação, orçamentos de campanhas e métricas de desempenho. Ah, a propósito... a reunião começa dentro de 30 minutos!
Revisão rápida sobre o tipo de Dados!
Dados estruturados
Os dados estruturados incluem conteúdo claramente definido - pensar caracteres alfanuméricos e numéricos - e são tradicionalmente armazenados num formato de registo ordenado.
Dados semi-estruturados
Os dados semi-estruturados incluem números ou caracteres ligeiramente formatados, colocados num campo que não está estruturado e não é tão fácil de processar como os dados estruturados. Por exemplo, um Tweet ou um comentário de utilizador publicado numa página web.
Dados não estruturados
Dados não estruturados referem-se a dados que não se encaixam perfeitamente na estrutura tradicional de linhas e colunas das bases de dados relacionais. Exemplos de dados não estruturados incluem: e-mails, vídeos, ficheiros de áudio, páginas web e posts nas redes sociais.
2) Análitica Self-Service
No início da era do marketing orientado para os dados, obter conhecimentos a partir de dados relevantes era de âmbito limitado, era muitas vezes uma função do departamento de TI e exigia capacidades de programação especializadas, muitas vezes em Python ou SQL, para manipular e compreender os dados relevantes. As expectativas eram menores porque as partes interessadas sabiam que os conhecimentos eram obtidos a partir de conjuntos de dados limitados que por vezes levavam tempo considerável a analisar.
A idade da inocência acabou. A tecnologia amadureceu desde então; as empresas esperam ganhar rapidamente poderosas perspectivas a partir dos dados. Além disso, os clientes esperam que as suas interacções sejam personalizadas, no sentido de que o sistema com que se envolvem já deve conhecer informações básicas, se não detalhadas, sobre elas.
Esta ascensão do marketing rápido e centrado nos dados levou os departamentos de marketing a transformarem-se em centros de análise de dados. As empresas devem tomar decisões baseadas em métricas que se ligam aos consumidores, fazer uma utilização prudente dos orçamentos e obter resultados rápidos de cada vez.
Para satisfazer estas expectativas dos clientes, as agências precisam de oferecer análises de marketing avançadas que se baseiem em informação actualizada. E, as empresas de integração de dados que trabalham com essas agências devem também ser capazes de fornecer análises avançadas a pedido.
Os comerciantes - e os fornecedores de dados que trabalham com eles - enfrentam um desafio urgente: precisam de formas melhores e mais rápidas de agir sobre a informação para se manterem competitivos, sem necessidade de recorrer a especialistas em TI.
3) Os marqueteiros precisam da história completa dos dados
Muitas vezes, os dados que são aproveitados apresentam apenas uma imagem parcial, devido a lacunas na capacidade de uma empresa de obter as informações necessárias. Mesmo quando os analistas de marketing têm acesso a tantos recursos de dados quantos acreditam precisar, os métodos para extrair significado desses dados podem variar muito dentro da empresa, com resultados igualmente variados.
Para conseguir uma diferenciação e melhorar produtos, serviços e experiências dos clientes, é necessário compreender a narrativa mais profunda criada pelas ligações entre múltiplos conjuntos de dados de clientes, incluindo dados geoespaciais.
Houve um tempo, em que Data Lakes, conjuntos massivos de dados armazenados, pareciam ser a panaceia. No entanto, estas colecções estáticas fazem da governação e do cumprimento um desafio. Nos últimos anos, o rápido acesso aos dados tornou-se o objectivo principal de muitas empresas.
A visualização de narrativas de dados a partir de múltiplas perspectivas permite aos analistas e cientistas de dados efectuar uma análise profunda desses dados e obter uma compreensão mais completa dos seus clientes. Com esse entendimento abrangente vem a capacidade de forjar parcerias mais duradouras e melhorar a lealdade dos clientes.
Isto torna-se um desafio quando alguns dados precisam de ser analisados por outros departamentos da mesma organização. Os comerciantes são responsáveis pela tomada de decisões com base em dados sobre os quais têm pouco controlo.
62% dos analistas de dados dependem de outros intervenientes dentro da sua organização para realizar pelo menos algumas etapas no processo de análise.
O facto de visualizar as narrativas de dados a partir de múltiplas perspectivas permite aos analistas e cientistas de dados efectuar uma análise profunda desses dados e obter uma compreensão mais abrangente dos seus clientes. Com esse entendimento abrangente vem a capacidade de forjar parcerias mais duradouras e melhorar a lealdade dos clientes.
4) Obtém resultados ou apenas sobrevive?
Muitos analistas de marketing ainda passam 80% do seu tempo a preparar dados manualmente. Se isto lhe parecer, então apenas 20% do seu tempo está disponível para análise real, o que se traduz na obtenção de resultados que podem representar uma imagem incompleta. De acordo com um Estudo de Análise de Marketing da Gartner, cerca de metade dos 500 líderes inquiridos relatam que alguns dos seus analistas de dados mais caros e experientes passam a maior parte do seu tempo a preparar dados para serem analisados em vez de os analisarem.
Os trabalhadores da informação presos nesse cenário adorariam fazer melhor uso da informação que extraem do Google Analytics, DoubleClick e outras fontes, incluindo dados de geolocalização. Em vez disso, as abordagens antiquadas disponíveis para a preparação de dados e os analistas da força de mistura para gastar mais tempo a gerar relatórios do que a compreendê-los.
Gartner continua a esclarecer que embora as equipas de análise tenham crescido significativamente em comparação com alguns anos atrás, ainda passam a maior parte do seu tempo a preparar dados, juntamente com a formatação e integração dos mesmos.
69% dos analistas de dados não estão satisfeitos com a qualidade do resultado final.
Porque é que os Analistas de Marketing não têm tempo para analisar os dados?
Possivelmente, mais do que um destes pontos parecem-te muito familiares:
Gastas muito tempo à procura de dados que se sabe que existem, mas não se sabe onde.
Investes muito tempo a normalizar os dados para que estes sejam consistentes e possam ser facilmente comparados.
Passas muito tempo à espera que pessoas ou equipas lhe forneçam dados, acesso a dados, ou algum outro componente do processo de limpeza de dados.
Dependes de sistemas que são propensos à confusão ou duplicação, por exemplo, a partilha de dados de marketing em e-mails separados em vez de através de um espaço de colaboração centralizada.
Se a preparação dos dados de marketing demorasse menos tempo do que os processos tradicionais actualmente exigidos, os analistas de dados poderiam aplicar os seus conhecimentos de uma forma ponderada, utilizando testes A/B e estratégias de compra cruzada de meios de comunicação. Poderia gastar o tempo recuperado em análises mais detalhadas, tais como o tempo do dia e a relevância da vizinhança, a fim de aproveitar insights mais profundos para processos criativos, impactantes e direccionados e um melhor planeamento global.
5) Elevada rotatividade devido a uma falha de concentração.
A mentalidade de "condenar aqueles que o atrasam" centra-se em abordagens ineficientes à preparação e mistura de dados, e contribui para uma elevada insatisfação e rotação dos analistas de dados. Este elevado nível de rotatividade dos trabalhadores apenas dificulta a realização dos objectivos empresariais, porque o embarque de novo pessoal leva tempo e é difícil manter a paridade de competências entre os trabalhadores novos e os já existentes.
6) Um oceano de soluções onde se pode facilmente ficar perdido
As organizações extraem frequentemente dados de múltiplos sistemas que dependem uns dos outros, com diferentes graus de sucesso. Sem uma plataforma unificadora, as equipas analíticas não podem abordar resultados mais avançados. Por exemplo, usando programação SQL para extrair dados, Python para os limpar, Excel para vlookups, SAS para modelação preditiva, GIS para cartografia e Tableau para visualização. Não só é raro ter todas estas competências, como cada ferramenta requer a deslocação de dados de um local e formato para outro. Isto é demorado e requer uma supervisão considerável para uma gestão adequada.
Os marqueteiros que não estão actualizados sobre as ferramentas e técnicas no mercado para unificar dados de forma eficiente, aplicar análises avançadas, e obter conhecimentos accionáveis antes da concorrência, estarão no meio do nada.
Referências: Todos os direitos reservados à Alteryx.